Progress in mapping global* Progress in mapping global* desertificationdesertification

Stephen D. PrinceGeography Department, University of Maryland, College Park, MD 

20742‐8225, USAsprince@umd.edu

http://www.geog.umd.edu/people/Prince/Prince.html

* * An unusual scale

Prince, S.D. (2002). Spatial and temporal scales of measurement of desertification. In M. Stafford‐Smith & J.F. Reynolds (Eds.), Global desertification: do humans create deserts? (pp. 23‐40). Berlin: Dahlem University Press.

Spatial and temporal scales of desertification

Stafford Smith, D.M., McKeon, G.M., Watson, I.W., Henry, B.K., Stone, G.S., Hall, W.B., & Howden, S.M. (2007). Learning from episodes of degradation and recovery in variable Australian rangelands. In  (pp. 20690‐20695)

Degradation largely local?

Scale not defined (yet)

Global vegetation remote sensing(1‐15km spatial resolution)

AVHRR (1981‐present)• (GVI)• PAL (successive improvements, stops in 2000)• Other global Area Coverage products (e.g. JRC)• GIMMS (successive improvements, continues to present)• LTDR (in progress) 

New pre‐processing methods being implementedAim is continuity with current MODIS and future VIIRS sensorsProcessing methods under development – ver3 expected in 2009

MODIS (2000 – present)

VIIRSVisible/Infrared Imager Radiometer Suite on NPOESS (date??)• VIIRS latencies will be 30 min or less around the globe, • 22 channels• Improved quality data. E.g. pixels will not expand toward the edge of a scan like MODIS 

and AVHRR ‐ will retain nearly the same resolution at the edge of the swath as at nadir. 

Estimation of land surface reflectances from long‐term AVHRR

Estimates of error

Calculated values and quadratic mean errors

E. Vermotepersonal communication

Reflectance/Vegetation index

clear avg hazy clear avg hazy clear avg hazyρ Ch1 (VIS) 0.045 0.004 0.051 0.08 0.086 0.004 0.046 0.073 0.143 0.006 0.039 0.063ρ Ch2 (NIR) 0.237 0.017 0.02 0.032 0.196 0.014 0.022 0.036 0.217 0.015 0.02 0.034ρ Ch3 (MIR) 0.045 0.001 0.002 0.003 0.086 0.002 0.002 0.003 0.143 0.004 0.004 0.004

NDVI 0.682 0.031 0.195 0.266 0.392 0.036 0.124 0.168 0.206 0.038 0.067 0.089

Forest Savanna Semi-arid

Value Value Value

Aerosol Optical Depth Aerosol Optical Depth Aerosol Optical Depth

Tree cover NDVI TOA NDVI CHANGESZA AOT Time/Pla

ce #1Time/Place #2

Time/Place #1

Time/Place #2

Time/Place #1

Time/Place #2

Actual Apparent TOA

30.00 0.05 50% 95% 0.55 0.76 0.37 0.59 0.21 0.23

30.00 0.15 50% 95% 0.55 0.76 0.35 0.57 0.21 0.21

30.00 0.50 50% 95% 0.55 0.76 0.30 0.47 0.21 0.17

60.00 0.05 50% 95% 0.55 0.76 0.44 0.56 0.21 0.12

60.00 0.15 50% 95% 0.55 0.76 0.41 0.52 0.21 0.11

60.00 0.50 50% 95% 0.55 0.76 0.29 0.36 0.21 0.08

Relative and absolute errors

• AVHRR GAC record 1981‐1999 (‐2000 in ver.3, but poor quality data*)

• Orbit selection *– one complete global data set per day

• Sensor calibration *– Vicarious cloud/ocean technique (~1% accuracy) (shttp://ltdr.nascom.nasa.gov/ltdr/avhrr_calib_1.html

• Cloud screening * – MODIS thresholds applied to VIS, NDVI, and TIR channels

• Data mapping * (georeferencing)– ~ 1 pixel accuracy. Orbital model run with corrected on‐board clock and ephemeris data

• Corrections for atmospheric composition

– Water vapor • NCEP climate data (to be replaced with thermal split window when thermal calibration corrected

– Ozone – TOMS UV

– Rayleigh scattering – atmos pressure

– Aerosols *• Split window using ch1 (VIS) and ch3 (SWIR) when thermal calibration corrected

• Bidirectional reflectance distribution function * (BRDF)– Applies correction parameters from POLDER in Ross‐Li‐Maignan model (~3% error)

Estimation of land surface reflectances from long-term AVHRR (see http://ltdr.nascom.nasa.gov/ltdr/docs2.html) 

Solar illumination (zenith) and sensor view angles

* ver.3 implements new or significantly different methods

Data mapping  (georeferencing)

• 1 pixel accuracy. 

• Orbital model using corrected ephemeris data, clock correction and attitude parameters for the different platforms.

Estimation of land surface reflectances from long‐term AVHRR 

Bidirectional reflectance distribution function (BRDF) 

MODIS BRDF kernels to remove the effect of orbital drift in simulated TOC NDVI data

Corrects spurious trend and seasonality

Estimation of land surface reflectances from long‐term AVHRR 

Climate‐Driven Increases in Global Terrestrial Net Primary Production from 1982 to 1999 Ramakrishna R. Nemani,1*† Charles D. Keeling,2 Hirofumi Hashimoto,1,3 William M. Jolly, Stephen C. Piper,2 Compton J. Tucker,4 Ranga B. Myneni,5 Steven W. Running. 6 JUNE 2003 VOL 300, p1560 SCIENCE.

Global trends in veg (Nemani et al. Fig2)Note changes in dry landsRole of rainfall Fig.1

From pattern to process ‐mapping degradation using processes1. Downward trends in productivity – RUE

g row th season19

89-9

0

1990

-91

1991

-92

1995

-96

1996

-97

1997

-98

1998

-99

1999

-200

0

2000

-1

2001

-2

2002

-3

Rai

nfal

l mm

0

200

400

600

800

1000

1200

Bio

mas

s kg

/ha

0

1000

2000

3000

4000

5000

6000

7000

40

50

60

70

80

90

100

R ain fa ll B iom ass ΣN D V I

Σ ND

VI

Rainfall mm

200 300 400 500 600 700 800 900 1000

Σ ND

VI

30

40

50

60

70

80

90

1991-92

1999-2000

2002-3

2001-2

R2 = 0.64y = 0.043x + 37.94

El Nino El Nino La Nina

Skukuza, South Africa

NPP follows rainfall, with some lags• Rain Use Efficiency strongly correlated with rainfall

•Mismatch of temporal scales of rainfall and NPP variation• Different responses to rain by different plant functional types

•Rates of response, e.g., lags, early greening•Differences in responsive developmental stages

• Rainfall and soil moisture – runoff – the water balance

From pattern to process ‐mapping degradation using processes1. Downward trends in productivity – RUE

Rain Use Efficiency

RESTRENDMODIS 2001‐2006

r2 NPP and rainfallMODIS 2001‐2006

Variables other than rainfall might be added or substituted – danger of overfitting

RESTREND Persistent trends in NPP 

1982‐1999 

Global RESTREND

Red: negative trends in NPP 1982‐1999Green: positive trends in NPP 1982‐1999

Comparison of actual & potential NPPEstimation of potential production

1. Rainfall in RUE equivalent to potential NPP2. Biogeochemical modeling too coarse resolution physical inputs3. Global Vegetation Models

"Potential" doesn't allow for LC/LU change LC/LU change is not necessarily degradationDegraded relative to reasonable human expectations

(Note ‐ Human dimension of deg even at this at scale)

Pasture production cf  pasture potential Forest production cf  forest potential 

Not theoretical "natural” potential production

4. Local Net production scaling (LNS)

b

Land capability units

Local Net Production Scaling (LNS)

LNS Zimbabwe

National Land Degradation map

Degradation change 1988‐2002

Dr. Stephen D. PrinceGeography Department, University of Maryland, College Park, MD 20742‐8225, USATel 301 405 4062      

DataAnnual sums of MODIS normalized difference  vegetation index 

Annual sums of MODIS NPP Annual GPCP 2.5 degree rainfall

Fax 301 314 9299    E‐mail sprince@geog.umd.edu

0 %

100 %

LNS:  Percentage of Potential Productivity

Local Net Production Scaling (LNS)

LCU7

Growth season

85-8

6

86-8

7

87-8

8

88-8

9

89-9

0

90-9

1

91-9

2

92-9

3 94

95-9

6

96-9

7

97-9

8

98-9

9

99-0

0

00-0

1

01-0

2

02-0

3

Σ ND

VI

45

50

55

60

65

70

Rai

nfal

l mm

300

400

500

600

700

800

non-degradeddegradedrainfall

non-degradeddegradedrainfall

##

#

#

#

#

Botswana

Zimbabwe

PRETORIA

ELLISRAS

NELSPRUIT

PIETERS-BURG

POTGIETERSRUS

LOUIS TRICHARDT

RUSTENBURG

8

13

4

2

3

5

6

71

129

10

11

50 0 50 100 Km

Land capability units:

# Cities / Towns

1234567

8910121311

National Report on Land Degradation

From pattern to process ‐mapping degradation using processes4. Stable degraded state ‐ Non‐equilibrium processes

QMORPH NOAA NCEP

Prospects – new and recent data1. Physical

Temperature data setsCPC Merged Microwave, TIR 0.5deg daily

CMORPH/CPC

Merged Microwave, TIR 30 (8) km

6hr

GPCP Reanalysis 2.2deg,1deg

Monthly

NCEP Reanalysis 2 deg 1979, 1997

6hr

CRU Observations interpolated

0.5deg 1951-2003

Monthly

Wilmott GHCN + additional stations interpolated

0.5 deg Monthly

Model (VIC) uses several alternative inputs

Number of meteorological stations reporting 1800‐2008

African Drought Monitor (Shefield et al 2006)

Prospects – new and recent data2. Vegetation cover, functional typesBailey’s ecoregions

GLOBCOVER 300m (MERIS)

Phenology (MOD12Q2)

Graph of NDVI and rainfall

Ellis, Erle and Navin Ramankutty (Lead Authors); Mark McGinley (Topic Editor). 2008. "Anthropogenic biome maps." In: Encyclopedia of Earth. Eds. Cutler J. Cleveland (Washington, D.C.: Environmental Information Coalition, National Council for Science and the Environment). [First published in the Encyclopedia of Earth November 26, 2007; Last revised January 3, 2008; Retrieved November 11, 2008]. <http://www.eoearth.org/article/Anthropogenic_biome_maps>

Prospects – new and recent data3. Human factors

Population. LandScan 2000Haberl, H. et al. (2007). Quantifying and mapping the human appropriation of net primary production in earth’s terrestrial ecosystems. PNAS, 104, 12942‐12947.

Maps of global risk and occurrence of desertificationWorld Atlas of Desertification

Risk of human‐induced desertification

Rapid land‐cover change 1981‐2000

Soils + expert opinion(GLASOD)

Soils (Eswaran)

Remote sensing, censuses, expert opinion (Millennium Assessment, Lepers et al  2005)

Thank you!